├──资料
| ├──第八章：算法补充-卷积神经网络原理与参数解读
| | └──神经网络新.pdf 5.99M
| ├──第二章：基于注意力机制的ReId模型论文解读
| | └──Relation-Aware Global Attention.pdf 610.34kb
| ├──第九章：基础补充-PyTorch框架基本处理操作
| | └──第一章：PyTorch框架基本处理操作.zip 98.58M
| ├──第六章：旷视研究院最新算法解读（基于图模型）
| | └──Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper.pdf 1.26M
| ├──第七章：基于拓扑图的行人重识别项目实战
| | └──基于图模型的ReID(旷视).zip 1.55G
| ├──第十章：基础补充-PyTorch图像识别实例
| | └──第四章：图像识别核心模块实战解读.zip 336.95M
| ├──第四章：经典会议算法精讲（特征融合）
| | └──Relation Network for Person Re-identification.pdf 2.48M
| ├──第五章：项目实战-基于行人局部特征融合的再识别实战
| | └──Relation Network for Person Re-identification.zip 296.48M
| └──第一章：行人重识别原理及其应用
| | └──行人重识别.pdf 1.63M
├──01.课程简介.mp4 24.64M
├──02.行人重识别要解决的问题.mp4 23.49M
├──03.挑战与困难分析.mp4 46.32M
├──04.评估标准rank1指标.mp4 14.81M
├──05.map值计算方法.mp4 22.44M
├──06.triplet损失计算实例.mp4 31.89M
├──07.Hard-Negative方法应用.mp4 30.36M
├──09.论文整体思想及注意力机制的作用解读.mp4 41.39M
├──10.空间权重值计算流程分析.mp4 23.84M
├──11.融合空间注意力所需特征.mp4 25.33M
├──12.基于特征图的注意力计算.mp4 25.27M
├──13.项目环境与数据集配置.mp4 46.73M
├──14.参数配置与整体架构分析.mp4 57.77M
├──15.进入debug模式解读网络计算流程.mp4 36.25M
├──16.获得空间位置点之间的关系.mp4 48.13M
├──17.组合关系特征图.mp4 32.33M
├──18.计算得到位置权重值.mp4 37.74M
├──19.基于特征图的权重计算.mp4 28.98M
├──20.损失函数计算实例解读.mp4 59.37M
├──21.训练与测试模块演示.mp4 132.21M
├──22.论文整体框架概述.mp4 11.92M
├──23.局部特征与全局关系计算方法.mp4 10.41M
├──24.特征分组方法.mp4 10.64M
├──25.GCP模块特征融合方法.mp4 47.57M
├──26.oneVsReset方法实例.mp4 10.51M
├──27.损失函数应用位置.mp4 10.63M
├──28.项目配置与数据集介绍.mp4 129.52M
├──29.数据源构建方法分析.mp4 21.21M
├──30.dataloader加载顺序解读.mp4 32.74M
├──31.debug模式解读.mp4 27.96M
├──32.网络计算整体流程演示.mp4 17.73M
├──33.特征序列构建.mp4 21.89M
├──34.GCP全局特征提取.mp4 19.21M
├──35.局部特征提取实例.mp4 24.53M
├──36.特征组合汇总.mp4 24.67M
├──37.得到所有分组特征结果.mp4 24.37M
├──38.损失函数与训练过程演示.mp4 87.58M
├──39.测试与验证模块.mp4 19.29M
├──40.关键点位置特征构建.mp4 13.26M
├──41.图卷积与匹配的作用.mp4 15.75M
├──42.局部特征热度图计算.mp4 16.51M
├──43.基于图卷积构建人体拓扑关系.mp4 19.78M
├──44.图卷积模块实现方法.mp4 17.98M
├──45.图匹配在行人重识别中的作用.mp4 12.23M
├──46.整体算法框架分析.mp4 15.92M
├──47.数据集与环境配置概述.mp4 87.62M
├──48.局部特征准备方法.mp4 23.22M
├──49.得到一阶段热度图结果.mp4 21.92M
├──50.阶段监督训练.mp4 38.19M
├──51.初始化图卷积模型.mp4 21.31M
├──52.mask矩阵的作用.mp4 20.35M
├──53.邻接矩阵学习与更新.mp4 26.38M
├──54.基于拓扑结构组合关键点特征.mp4 78.39M
├──55.图匹配模块计算流程.mp4 33.73M
├──56.整体项目总结.mp4 32.91M
├──57.卷积神经网络应用领域.mp4 14.23M
├──58.卷积的作用.mp4 16.76M
├──59.卷积特征值计算方法.mp4 14.75M
├──60.得到特征图表示.mp4 13.42M
├──61.步长与卷积核大小对结果的影响.mp4 44.71M
├──62.边缘填充方法.mp4 12.69M
├──63.特征图尺寸计算与参数共享.mp4 39.66M
├──64.池化层的作用.mp4 13.16M
├──65.整体网络架构.mp4 11.53M
├──66.VGG网络架构.mp4 12.18M
├──67.残差网络Resnet.mp4 31.89M
├──68.感受野的作用.mp4 11.48M
├──69.PyTorch框架发展趋势简介.mp4 15.28M
├──70.框架安装方法（CPU与GPU版本）.mp4 25.46M
├──71.PyTorch基本操作简介.mp4 17.57M
├──72.自动求导机制.mp4 21.24M
├──73.线性回归DEMO-数据与参数配置.mp4 15.70M
├──74.线性回归DEMO-训练回归模型.mp4 21.66M
├──75.常见tensor格式.mp4 13.05M
├──76.Hub模块简介.mp4 26.69M
├──77.卷积网络参数定义.mp4 14.97M
├──78.网络流程解读.mp4 18.57M
├──79.vision模块功能解读.mp4 12.51M
├──80.分类任务数据集定义与配置.mp4 28.59M
├──81.图像增强的作用.mp4 21.21M
├──82.数据预处理与数据增强模块.mp4 46.72M
├──83.Batch数据制作.mp4 43.26M
├──84.迁移学习的目标.mp4 17.14M
├──85.迁移学习策略.mp4 21.02M
├──86.加载训练好的网络模型.mp4 48.46M
├──87.优化器模块配置.mp4 25.64M
├──88.实现训练模块.mp4 40.37M
├──89.训练结果与模型保存.mp4 46.00M
├──90.加载模型对测试数据进行预测.mp4 48.30M
├──91.额外补充-Resnet论文解读.mp4 58.43M
└──92.额外补充-Resnet网络架构解读.mp4 23.43M